Machine Learning. Cette technique demeure par ailleurs, de nos jours, le champ de réflexion en vogue en intelligences artificielles. Ce terme désigne un réseaux de neurones artificiels, c’est-à-dire un programme dont l’architecture est conçu mathématiquement sous la forme de superpositions de couches. Ce sont ces couches qui rendent ce type d’apprentissage « profond », traduction littérale de l’anglais deep ou encore « épais », nom qu’on lui accorde un peu timidement et dans un français châtié. Ces strates de neurones mathématiques (DNN pour Deep Neural Network) transforment et compressent le plus efficacement possible les données arrivant sur la couche d’entrée jusque la couche de sortie. Plus particulièrement, tous les neurones qui composent la première couche communiquent avec tous les neurones de la deuxième couche et ainsi de suite. À ces données échangées entre neurones de strates successives correspondent des poids, à qui équivaut un degré d’importance de cette information. Couches après couches, progressivement, donc, l’information incidente est métamorphosé d’un paramètre de bas niveau à un paramètre de très haut niveau. Prenons l’exemple d’une IA spécialisées dans la reconnaissance de chat sur une image. Si on lui soumet une image de chat, la Machine ne verrait pas une image de chat comme un humain la verrais, elle verrait plutôt des datas, des informations. Le chat serait plutôt perçu comme une somme de données. L’information traitée par la première couche de neurones pourrait-être la couleur des pixels et l’information sortant, au niveau de
27